See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/361795272

Dasar-Dasar Aljabar Linear

Book · July 2022

CITATIONS READS

0 453

1 author:

Alfaozan Imani Imani Muslim

12 PUBLICATIONS   8 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

PENGETAHUAN DASAR View project

All content following this page was uploaded by Alfaozan Imani Imani Muslim on 06 July 2022.

The user has requested enhancement of the downloaded file.

 Dasar-Dasar Aljabar Linear
Ditulis Oleh : Alfaozan Imani M

Aljabar linear yaitu bidang studi matematika yg mengusut sistem persamaan linear serta solusinya,
vektor, dan transformasi linear. Matriks beserta operasinya juga merupakan hal yg berkaitan ketat
menggunakan bidang aljabar linear.

Sejarah Aljabar

Menyelesaikan beberapa persamaan linear secara bersamaan menjadi bagian penting dalam aljabar
linear. Prosedur dalam menyelesaikan masalah tersebut, yang sekarang dikenal sebagai eliminasi
Gauss, pertama kali muncul dalam Bab Delapan: Array Persegi Panjang di buku matematika Cina kuno
Sembilan Bab dalam Seni Matematika. Sistem persamaan linear berkembang di Eropa bersamaan
dengan dikenalkannya konsep koordinat dalam geometri, oleh René Descartes pada tahun 1637.
Faktanya, pada geometri ini yang sekarang dikenal sebagai geometri Kartesius, garis-garis dan bidang-
bidang diwakilkan oleh persamaan linear, dan mencari hasil perpotongan mereka sama dengan
menyelesaikan sistem persamaan linear.

Pada perkembangan selanjutnya, determinan digunakan untuk menyelesaikan sistem [persamaan]

linear secara sistematis. Pada tahun 1750, Gabriel Cramer menggunakan determinan untuk
menghasilkan solusi sistem linear secara eksplisit, menggunakan metode yang saat ini dikenal dengan
aturan Cramer. Gauss nantinya juga menjelaskan lebih lanjut tentang metode eliminasi, yang awalnya
dicatat sebagai sebuah kemajuan (advancement) dalam geodesi. [5] Publikasi A Treatise on Electricity
and Magnetism pada tahun 1873 memulai ilmu teori medan tentang elektromagnetik, dan memerlukan
geometri diferensial untuk mengekspresikan konsep-konsepnya.

Aljabar linear merupakan geometri diferensial untuk bidang datar dan berperan pada ruang tangen
manifold.

Persamaan Linear menggunakan Matriks Persamaan linear sanggup dinyatakan menjadi matriks.
Misalnya persamaan:

3x1 + 4x2 − 2x3 = 5

x1 − 5x2 + 2x3 = 7

2x1 + x2 − 3x3 = 9
sanggup dinyatakan pada matriks teraugmentasi menjadi berikut

Penyelesaian persamaan linier pada wujud matriks sanggup dilakukan menempuh beberapa
aktivitas, yaitu menggunakan eliminasi Gauss atau sanggup pula menggunakan aktivitas eliminasi
Gauss-Jordan. Namun, suatu sistem persamaan linier sanggup diselesaikan menggunakan eliminasi
Gauss buat membarui wujud matriks teraugmentasi ke pada wujud eselon-baris tanpa
menyederhanakannya. Kegiatan ini dianggap menggunakan substitusi balik. Sebuah sisitem
persamaan linier sanggup dituturkan sejenis bila sahih bentuk :

a11x1 + a12x2 + ... + a1nxn = 0

a21x1 + a22x2 + ... + a2nxn = 0

am1x1 + am2x2 + ... + amnxn = 0

Setiap sistem persamaan linier yg sejenis bersifat yaitu permanen bila seluruh sistem mepunyai x1 =
0 , x2 = 0 , ... , xn = 0 menjadi penyelesaian. Penyelesaian ini dianggap solusi trivial. Jika sahih
penyelesaian yg lain karena itu dianggap solusi nontrivial.

Penyelesaian Persamaan Linear menggunakan Matriks Wujud Eselon-baris Matriks sanggup

dituturkan Eselon-baris bila memenuhi persyaratan berikut :

- Di setiap baris, nomor pertama selain 0 wajib 1 (leading 1).

- apabila baris yg seluruh elemennya nol, karena itu wajib dikelompokkan pada baris
kesudahan menurut matriks.
- apabila baris yg leading 1 karena itu leading 1 pada bawahnya, nomor 1-nya wajib berada
semakin kanan menurut leading 1 pada atasnya.
- apabila kolom yg mempunyai leading 1 nomor selain 1 yaitu nol karena itu matriks tadi
dianggap Eselon-baris tereduksi

Operasi Eliminasi Gauss Eliminasi Gauss yaitu suatu aktivitas mengoperasikan nilai-nilai pada
pada matriks sebagai akibatnya dijadikan matriks yg semakin sederhana (ditemukan sang Carl
Friedrich Gauss). Kegiatannya yaitu menggunakan melaksanakan operasi baris sebagai
akibatnya matriks tadi dijadikan matriks yg Eselon-baris. Ini sanggup digunakan menjadi keliru
satu aktivitas penyelesaian persamaan linear menggunakan memakai matriks. Kegiatannya
menggunakan mengganti persamaan linear tadi ke pada matriks teraugmentasi &
mengoperasikannya. Sesudah dijadikan matriks Eselon-baris, lakukan substitusi pulang buat
menerima nilai menurut variabel-variabel tadi.

Contoh: Dikenal persamaan linear

x + 2y + z = 6 x + 3y + 2z = 9
2x + y + 2z = 12
Tentukan Nilai x, y & z
Jawab: Wujud persamaan tadi ke pada matriks:
 Karenanya menerima tiga persamaan linier baru yaitu
x + 2y + z = 6 y + z = tiga z = tiga
Kemudian lakukan substitusi kembali karena itu didapatkan:
y + z = tiga y + tiga = tiga
y = 0 x + 2y + z =6 x + 0 + tiga = 6 x = tiga
Aci nilai menurut x = tiga , y = 0 ,& z = tiga

Operasi Eliminasi Gauss-Jordan yaitu pengembangan menurut eliminasi Gauss yg hasilnya semakin
sederhana. Kegiatannya yaitu menggunakan meneruskan operasi baris menurut eliminasi Gauss
sebagai akibatnya membuat matriks yg Eselon-baris tereduksi. Ini pula sanggup digunakan menjadi
galat satu aktivitas penyelesaian persamaan linear menggunakan memakai matriks. Kegiatannya
menggunakan membarui persamaan linear tadi ke pada matriks teraugmentasi &
mengoperasikannya. Sesudah dijadikan matriks Eselon-baris tereduksi, karena itu pribadi sanggup
dipengaruhi nilai menurut variabel-variabelnya tanpa substitusi kembali .

Contoh: Dikenal persamaan linear

x + 2y + 3z = 3
2x + 3y + 2z = 3
2x + y + 2z = 5
Tentukan Nilai x, y & z
Jawab: Wujud persamaan tadi ke pada matriks:

Karenanya dihasilkan nilai berdasarkan x = 2 , y = -1 ,& z = 1

Persamaan Dalam Matriks

Dua butir matriks dituturkan sama jika matriks-matriks tadi sahih ordo yg sama & setiap elemen yg
seletak sama. apabila A & B yaitu matriks yg sahih ordo sama, karena itu penjumlahan menurut A + B
yaitu matriks output menurut penjumlahan elemen A & B yg seletak. Begitu juga menggunakan output
selisihnya. Matriks yg sahih ordo berlainan nir bisa dijumlahkan atau disusutkan. Banyak menurut k
butir matriks A yaitu suatu matriks yg berordo sama menggunakan A & agung tiap elemennya yaitu k
kali elemen A yg seletak. Didefinisikan: apabila k rambang skalar karena itu kA = A k yaitu matriks yg
diperoleh menurut A menggunakan aktivitas mengalikan setiap elemennya menggunakan k. Negatif
menurut A atau -A yaitu matriks yg diperoleh menurut A menggunakan aktivitas mengalikan seluruh
elemennya menggunakan -1. Untuk setiap A berlanjut A + (-A) = 0. Hukum yg berlanjut pada
penjumlahan & pengurangan matriks :

a.) A + B = B + A

b.) A + ( B + C ) = ( A + B ) + C

c.) k ( A + B ) = kA + kB = ( A + B ) k , k = skalar

Hasil kali matriks A yg ber-ordo m x p menggunakan matriks B yg berordo p x n bisa dituliskan sebagi
matriks C = [ cij ] berordo m x n dimana cij = ai1 b1j + ai2 b2j + ... + aip bpj
Matriks Diagonal, Segitiga, & Matriks Simetris Matriks Diagonal Sebuah matriks bujursangkar yg
unsur-unsurnya berada pada garis diagonal primer menurut matriks bukan nol & unsur lainnya yaitu
nol diklaim menggunakan matriks diagonal.

Vektor pada Ruang Euklidian

Euklidian pada n-Ruang

Vektor pada pada n-Ruang Definisi : apabila n yaitu sebuah integer positif, sebuah n-
kelompok topel yaitu sekuens berdasarkan n sapta real (a1.a2.....an). Set berdasarkan seluruh
kelompok yg terdiri berdasarkan n- kelompok topel dinamakan n-ruangdan dituliskan menjadi
Rn.

apabila n = dua atau 3, telah dibudayakan buat memakai kata kelompok pasangan &
kelompok berdasarkan 3 secara respektif, daripada dua-kelompok topel atau 3- kelompok topel.
Keitka n = 1, setiap n – kelompok topel terdiri berdasarkan satu sapta real, sebagai akibatnya R1
bisa diamati menjadi set berdasarkan sapta real. Kita hendak menuliskan R daripada R1 dalam
set ini.

Mungkin kita sudah mmepelajari pada bahan 3-ruang symbol berdasarkan (a1, a2, a3)
sahih 2 interpretasi geometris yg berbeda : ini bisa diinterpretasikan menjadi titik, yg pada
perkara ini a2, a2, a3 merupakan koordinat, atau ini bisa diinterpretasikan menjadi vector,
dimana a1, a2, a3 merupakan komponen vector. Kemudian kita bisa melihat bahwa n –
kelompok topel (a1, a2, ...., an) bisa diamati menjadi selang sebuah “poin umum” atau “vector
umum”- disparitas selang keduanya nir krusial secara matematis. Dan jua kita bisa menyebutkan
5- topel (-dua, 4, 0 ,1 ,6) selang poin pada R5 atau vector dalam R5.

U1 = v1

u2 = v2 un = vn

Penjumlahan u + v diartikan oleh

u + v = (u1 + v1, u2 + v2, ...., un + vn)

dan jika k yaitu konstata scalar , karenanya perkalian scalar ku di artikan oleh

ku =(ku 1,ku 2….. ku n)

Jika u = (u1, u2, ...., un) dalam setiap vector dalam Rn, karenanya negative (atau invers aditif)
dari u dituliskan oleh

–u dan diterangkan oleh -u = (-u1, -u2, ...., -un)

Perbedaan dari vector dalam Rn diterangkan oleh

v – u = v + (-u) atau, dalam istilah komponen,

v – u = (v1-u1, v2-u2, ...., vn-un)

Sifat-sifat dari vektor dalam R^n

jika mathbf{u} = u_{1}, u_{2},..., u_{n} , mathbf{v} = v_{1}, v_{2},..., v_{n} , dan mathbf{w} = w_{1},
w_{2},..., w_{n} yaitu vektor dalam R^n sedangkan k dan m yaitu skalar, maka :

(a) u + v = v + u

(b) u + 0 = 0 + u = u

(c) u + (v + w) = (u + v) + w

(d) u + (-u) = 0 ; berfaedah, u - u = 0

(e) k (m u) = (k m) u

(f) k (u + v) = k u + k v

(g) (k + m) u = k u + m u

(h) 1u = u

Contoh Penggunaan Vektor dalam Ruang Dimensi Tinggi

- Data Eksperimen – Ilmuwan melaksanakan experimen dan membuat n pengukuran numeris

setiap eksperimen dilakukan. Hasil dari setiap experiment dapat disebut sebagai vector y=
(y1,y2,...,yn) dalam R^n dalam setiap y_1,y_2,....,y_n yaitu nilai yang terukur.
- Penyimpanan dan Gudang – Sebuah perusahaan transportasi benar 15 depot untuk
menyimpan dan mereparasi truknya. Pada setiap poin dalam masa distribusi dari truk dalam
depot dapat disebut sebagai 15-topel x= (x_1,x_2,...,x_15) dalam setiap x_1 yaitu banyak truk
dalam depot pertama dan x_2 yaitu banyak pada depot kedua., dst-nya.
- Rangkaian listrik – Chip prosesor didesain untuk menerima 4 tegangan input dan
mengeluarkan 3 tegangan output. Tegangan input dapat ditulis sebagai vector dalam R^4
dan tegangan output dapat ditulis sebagai R^3. Lalu, chip dapat diamati sebgai alat yang
mengubah setiap vektor input v = (v_1,v_2,v_3,v_4) dalam R^4 ke vector keluaran w =
(w_1,w_2,w_3) dalam R^3.
- Analisis citra – Satu hal dalam gambaran warna dihasilkan oleh layar komputer dihasilkan
oleh layar komputer dengan menyiapkan setiap [pixel] (sebuah titik yang benar alamat dalam
layar) 3 angka yang menjelaskan hue, saturasi, dan kecerahan dari pixel. Lalu sebuah
gambaran warna yang komplit dapat diliahat sebgai 5-topel dari wujud v = (x,y,h,s,b) dalam x
dan y yaitu kordinat layar dari pixel dan h,s,b yaitu hue, saturation, dan brightness.
- Ekonomi – Pendekatan kita dalam analisis ekonomi yaitu untuk membagi ekonomidalam
sector (manufaktur, pelayanan, utilitas, dst-nya ) dan untuk mengukur output dari setiap
sector dengan nilai mata uang. Dalam ekonomi dengan 10 sektor output ekonomi dari semua
ekonomi dapat direpresentasikan dngan 10-topel s = (s_1,s_2,s_3,...,s_10) dalam setiap
angka s_1,s_2,...,s_10 yaitu output dari sektor individual.
- Sistem Mekanis – Anggaplah benar 6 partikel yang memainkan usaha dalam garis kordinat
yang sama sehingga pada masa t koordinat mereka yaitu x_1,x_2,...,x_6 dan kecepatan
mereka yaitu v_1,v_2,...,v_6. Informasi ini dapat direpresentasikan sebagai vector

Fisika - Pada teori benang komponen paling mini & nir bisa dipecah menurut Jagat raya
bukanlah partikel namun loop yg berlanjut misalnya benang yg bergetar. Dimana jagat masa
Einstein yaitu 4 dimensi, sedangkan benang sahih pada lingkungan kehidupan 11-dimensi

Operator Refleksi
 Berdasarkan operator T:R2 -> R2 yg memetakan tiap vektor pada citra simetris terhadap
sumbu y, dimisalkan w=T(x), karena itu persamaan yg bertalian menggunakan x & w
merupakan:

x1 = -x = -x + 0y x2 = y = 0x + y

atau dalm bentuk matrik

Secara umum, operator pada R2 dan R3 yang memetakan tiap vektor pada gambaran
simetrinya terhadap beberapa garis atau bidang datar dinamakan operator refleksi. Operator ini
bersifat linier.

Operator Proyeksi

Berdasarkan operator T:R2 -> R2 yg memetakan tiap vektor pada proyeksi tegak lurus
terhadap sumbu x, dimisalkan w=T(x), karena itu persamaan yg bertalian menggunakan x & w
merupakan:

x1 = x = x + 0y

x2 = 0 = 0x + 0y

atau pada wujud matrik

Persamaan tadi bersifat linier, karena itu T merupakan operator linier & matrikx T
merupakan: Secara umum, sebuah operator proyeksi dalam R2 & R3 merupakan operator yg
memetakan tiap vektor pada proyeksi ortogonal dalam sebuah garis atau bidang menempuh
asalnya

Operator Rotasi

Sebuah operator yang merotasi tiap vektor dalam R2 menempuh sudut ɵ disebut operator
rotasi pada R2. Untuk melihat bagaimana asalnya yaitu dengan melihat operator rotasi yang
memutar tiap vektor searah jarum jam menempuh sudut ɵ positif yang tetap. Unutk menemukan
persamaan hubungan x dan w=T(x), dimisalkan ɵ yaitu sudut dari sumbu x positif
ke x dan r yaitu jarak x dan w. Lalu, dari rumus trigonometri dasar x = r cos Θ ; y = r cos Θ dan
w1 = r cos (ɵ + ɸ) ; w2= r sin (ɵ + ɸ)

Menggunakan identitas trigonometri didapat:

w1 = r cos ɵ cos ɸ - r sin ɵ sin ɸ

w2 = r sin ɵ cos ɸ + r cos ɵ sin ɸ

kemudian disubtitusi sehingga:

w1 = x cos Θ - y sin Θ

w2 = x sin Θ + y cos Θ

Interpolasi Polinomial
Dengan menganggap masalah pada interpolasi polinomial untuk deret n + 1 di titik (x0,y0)....,
(xn,yn). Maka, kita diminta untuk menemukan kurva p(x) = am + am-1 + ... + a1x + a0 dari
sudut minimum yang melewati setiap dari titik data. Kurva ini harus memenuhi

Sistem Persamaan Linear

Pengertian Sistem Persamaan Linear

Sistem persamaan linear adalah suatu sistem persamaan yang peubah- peubahnya
atau variabel-variabelnya berpangkat satu. Sistem persamaan linear dapat terdiri dari dua
atau lebih variabel.

Dalam sistem persamaan linear besarnya variabel yang belum diketahui bisa dicari dengan
syarat banyaknya variabel yang belum diketahui harus sama dengan jumlah persamaan
linearnya. Sehingga sistem persamaan linear dengan n buah persamaan dan n buah bilangan
yang belum diketahui bisa diselesaikan dengan berbagai metode seperti: metode grafik,
metode eleminasi, metode substitusi, metode eleminasi Gauss, metode operasi baris elemen,
metode Cramer (determinan) dan metode invers. Pada pembahasan kali ini kita akan
menggunakan empat metode untuk menentukan penyelesaian dari sistem persamaan linear
yaitu metode eleminasi Gauss, metode operasi baris elemen, metode Cramer (determinan)
dan metode invers matrik

Metode Eliminasi Gauss

Metode ini lebih dikenal dengan metode substitusi balik (back substitution). Metode ini
memecahkan sistem persamaan linear dengan mereduksi matriks yang diperbesar menjadi
bentuk eselon baris. Sehingga langkah-langkah untuk menyelesaikan sistem persamaan
linear dengan metode eleminasi Gauss adalah:

a) Rubah ke dalam bentuk matriks yang diperbesar.

b) Lakukan transformasi atau operasi elementer pada baris dan kolom dari matriks
diperbesar tadi sampai terbentuk matriks segi tiga atas atau matriks segitiga bawah.
c) Kembalikan dalam bentuk matriks.
d) Kembalikan ke dalam bentuk sistem persamaan linear.
e) Substitusikan nilai variabel yang telah didapat ke persamaan liniar yang lainnya.

Metode Operasi Baris Elemen

Metode ini agak mirip dengan metode eleminasi Gauss, namun transpormasi pada
baris dan kolom sampai terbentuk matriks identitas. Sehingga langkah-langkah untuk
menyelesaikan sistem persamaan linear dengan metode operasi baris elemen adalah: a)
Rubah ke dalam bentuk matriks yang diperbesar. b) Lakukan transformasi atau operasi
elementer pada baris dan kolom dari matriks diperbesar tadi sampai terbentuk matriks
identitas. c) Kembalikan dalam bentuk matriks. d) Kembalikan ke dalam bentuk sistem
persamaan linear. e) Tentukan nilai variabel.

Metode Cramer

Metode ini sering disebut dengan metode determinan. Metode ini bisa dipergunakan
untuk mencari variabel yang belum diketahui dalam sistem persamaan linear dengan n buah
persamaan dan n buah variabel yang belum diketahui

Metode Invers

Matriks Metode ini bisa dipergunakan untuk mencari variabel yang belum diketahui
dalam sistem persamaan linear dengan n buah persamaan dan n buah variabel yang belum
diketahui

DAFTRA PUSTAKA
[1] S. Sholahudin, “Backpropagation and Radial Basis Function Methods for Predicting Rainfall in
Sukabumi City Using Artificial Neural Networks: A Comparative Analysis”, Fidelity, vol. 4, no. 2, pp.
25-28, May 2022.

[2] M. A. S. Yudono, “Bitcoin USD Closing Price (BTC-USD) Comparison Using Simple Moving
Average And Radial Basis Function Neural Network Methods”, Fidelity, vol. 4, no. 2, pp. 29-34, May
2022.

[3] A. Suryana, Paikun, and M. Ali Setyo Yudono, “Fluid Volume Detector on a Horizontal Tube Using
an Ultrasonic-based Water Level Sensor”, Fidelity, vol. 4, no. 1, pp. 6-9, Jan. 2022.

[4] A. D. W. M. Sidik and Z. Akbar, “Analyzing the Potential for Utilization of New Renewable Energy
to Support the Electricity System in the Cianjur Regency Region”, Fidelity, vol. 3, no. 3, pp. 46-51,
Sep. 2021.

[5] M. A. S. Yudono, R. Maulana Yusup, F. M.Syam, and E. Siti Anisa Nurhasanah, “Rancang Bangun
Sistem Deteksi Harga Perkakas Dengan Menggunakan Augmented Reality”, Fidelity, vol. 3, no. 3, pp.
52-55, Sep. 2021.
[6] A. D. W. M. Sidik, “Desain Wireless Sensor Network (WSN) yang Efisien dengan Mobilitas Node
Terkendali Berbasis Energi”, Fidelity, vol. 3, no. 2, pp. 23-26, May 2021.

[7] I. Syah Riadi, F. Fauzi, A. Adriana Yusuf, and M. Ali Setyo Yudono, “Decision-Making Employee
Performance Evaluation at XYZ University Using the Mamdani Fuzzy Logic Method”, Fidelity, vol. 3,
no. 2, pp. 27-31, May 2021.

[8] A. D. W. M. Sidik, “Pengenalan Ekspresi Wajah Menggunakan Teknik Filter Wavelet Gabor”,
Fidelity, vol. 3, no. 1, pp. 1-4, Jan. 2021.

[9] I. Kumaran, “Pengenalan Wajah Menggunakan Pendekatan Berbasis Pengukuran dan Metode
Segmentasi dalam Berbagai Posisi dan Pencahayaan”, Fidelity, vol. 3, no. 1, pp. 5-8, Jan. 2021.
 [10] Anang Suryana, “Automatic Gas Control System In The Motorcycle Braking Process With The
Concept Of Non-Uniform Slowing Down Motion”, Fidelity, vol. 2, no. 3, pp. 51-56, Sep. 2020.

[11] A. D. W. M. Sidik, “Menerapkan K-Means Clustering untuk Segmentasi Gambar Database

Berwarna”, Fidelity, vol. 2, no. 3, pp. 57-61, Sep. 2020.’

[12] A. D. W. M. Sidik, I. Himawan Kusumah, A. Suryana, Edwinanto, M. Artiyasa, and A. Pradiftha

Junfithrana, “Design and Implementation of an IoT-Based Electric Motor Vibration and Temperature
Disruption Handling System”, Fidelity, vol. 2, no. 2, pp. 30-33, May 2020.

[13] A. D. W. M. Sidik, I. Himawan Kusumah, A. Suryana, Edwinanto, M. Artiyasa, and A. Pradiftha

Junfithrana, “Gambaran Umum Metode Klasifikasi Data Mining”, Fidelity, vol. 2, no. 2, pp. 34-38, May
2020.

[14] M. Artiyasa, I. Himawan Kusumah, A. Suryana, Edwinanto, A. D. W. Muhammad Sidik, and A.

Pradiftha Junfithrana, “Comparative Study of Internet of Things (IoT) Platform for Smart Home
Lighting Control Using NodeMCU with Thingspeak and Blynk Web Applications”, Fidelity, vol. 2, no. 1,
pp. 1-6, Jan. 2020.
[15] A. Pradiftha, “Rancang Bangun Program Aplikasi Virtual Reality Pada Pembelajaran Praktikum
Secara Online Berbasis Oculus”, Fidelity, vol. 2, no. 1, pp. 7-10, Jan. 2020.

[16] http://p2k.unkris.ac.id/id3/3065-2962/Aljabar-Linear_27403_p2k-unkris.html

View publication stats